Google: Gemini Embedding 001
gemini-embedding-001- 輸入 / 輸出-50%
- $0.15 / $0.00$0.075 / $0.00
- 上下文
- 2K
- 模態
- 嵌入
關於 Gemini Embedding 001
Gemini Embedding 001 是 Google Gemini API 中的純文字嵌入模型。它將文字轉換為捕捉語意的向量,讓您無需依賴共享關鍵字即可將問題與段落進行匹配、對相關文件進行分群或提供推薦。輸出大小可在 128 到 3,072 維度之間調整,並透過任務類型參數告知模型向量的用途。
適用場景
- 任務類型參數(例如檢索文件或語意相似度)讓您能針對特定工作調整向量,而非使用通用的嵌入方式。
- 輸出維度可從 3,072 縮減至最低 128,Google 指出較小的尺寸在評分上與完整尺寸相近。
- 每個輸入字串都會獲得專屬的嵌入,適合需要為每份文件建立向量的批次索引作業。
- 向量以浮點數或 base64 格式回傳,因此可以緊湊地儲存。
其他選擇建議
- 輸入僅限文字,且上限遠低於較新的模型,因此長文件在嵌入前必須先分割成區塊。
- 低於 3,072 維度的向量在進行相似度搜尋前,需要由您自行進行正規化。
- 其向量空間與 gemini-embedding-2 不相容,因此切換模型意味著需要對整個集合重新進行嵌入。
入門指南
建立 API 金鑰
請至 Console 建立金鑰,即可在平台上使用各類模型。
發送您的第一個請求
複製您所選語言的範例,並針對端點執行它。
嵌入TokenLab 端點POST/v1/embeddingscurl -X POST "https://api.tokenlab.sh/v1/embeddings" \ -H "Authorization: Bearer sk-xxx" \ -H "Content-Type: application/json" \ -d '{ "dimensions": 768, "encoding_format": "float", "input": "Semantic search", "model": "gemini-embedding-001" }'
參數設定
嵌入
| 參數 | 可選值與限制 | 預設值 | 說明 |
|---|---|---|---|
dimensions | ≥ 128, ≤ 3072 | 未提供 | 未提供 |
encoding_format | 未提供 | 未提供 | This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified. |
input必填 | 未提供 | 未提供 | TokenLab accepts text strings or arrays of text strings. Each input is limited to 2048 tokens. Multimodal and token-array inputs are outside the current public contract. |
user | 未提供 | 未提供 | 未提供 |
TokenLab accepts text strings or arrays of text strings. Token arrays and multimodal inputs are outside this public contract. Usage is the input token count the model reports, or an independent count of the input tokens.
TokenLab accepts text strings or arrays of text strings. Token arrays and multimodal inputs are outside this public contract. Usage is the input token count the model reports, or an independent count of the input tokens.
定價
Verified 價格用於 Verified,多數模型更便宜;Official 價格是模型廠商公布的價格,用於更穩定的 Official。Auto 按最終完成請求的線路計價。
定價
每 1M Token- Verified 價格
- 輸入$0.075每 1M Token輸出$0.00每 1M Token
- Official 價格
- 輸入$0.15每 1M Token輸出$0.00每 1M Token
折扣: -50%
| Official 價格每 1M Token | Verified 價格每 1M Token | 折扣 | |
|---|---|---|---|
| 輸入 | $0.15 | $0.075 | -50% |
| 輸出 | $0.00 | $0.00 | — |
使用量與活動
成功率是請求完成的比例;延遲是一次完整回應所需的時間,P95 表示 95% 的請求在該時間內完成。
用量與可用性
過去 24 小時- 請求數
- 成功率
- P95 延遲
- 總 Token 用量
資料基於彙總的使用者請求,不包含狀態檢查。
直接在 Console 裡試
在 Console 中開啟 Gemini Embedding 001,並準備好編輯或發送提示詞。
協助我使用 gemini-embedding-001 透過 /v1/embeddings 執行 embedding,並顯示結果與成本。
應用情境
問答檢索
將文件區塊進行一次嵌入,使用查詢任務類型對每個問題進行嵌入,並擷取最接近的區塊以提供給聊天模型。
重複與近重複偵測
比較支援票證或產品描述的向量,以找出用不同詞彙表達相同內容的項目。
主題分群
根據語意將回饋或文章分組,無需編寫關鍵字列表即可觀察主題趨勢。
內容推薦
透過尋找與讀者剛閱讀完內容最接近的向量,來建議相關的文章。
提示詞範例
將這 500 個說明中心段落進行嵌入以供檢索,並儲存向量,以便使用者能以自然語言進行搜尋。
找出語意上與「客戶在更改電子郵件地址後無法重設密碼」最相似的五張票證。
透過對每則應用程式評論進行嵌入並將最近鄰居分組,來對上個月的評論進行分群。
費用計算機
FAQ
Gemini Embedding 001 的用途是什麼?
用於文字的語意搜尋與檢索、分群、分類及推薦。它將文字轉換為向量,使相似的語意在空間中彼此靠近。使用任務類型參數來指定您是在嵌入文件、查詢還是比較相似度。
Gemini Embedding 001 與 Gemini Embedding 2 有何不同?
001 僅處理文字,輸入上限較短,並使用任務類型參數。Embedding 2 可處理較長的文字,並預期在提示詞中包含任務指令。兩者的向量無法相互比較。
我應該選擇什麼維度?
Google 建議使用 768、1,536 或 3,072,並允許 128 到 3,072 之間的任何數值。較小的尺寸可節省儲存空間與搜尋時間,且評分與完整尺寸相近。當使用低於 3,072 的維度時,請自行對向量進行正規化。
輸入長度限制為何?
每個輸入都有長度上限。對於較長的文件,請將其分割為合適的段落並分別進行嵌入。通常在段落或標題處進行區塊切割,會比固定長度切割獲得更好的檢索效果。
我該如何呼叫它?
使用標準的嵌入請求格式。發送模型名稱與輸入文字或字串列表,然後從回應中讀取向量。輸出可要求為浮點數或 base64 格式。
Gemini Embedding 001 的費用是多少?
在 TokenLab 上,Gemini Embedding 001 價格為 輸入 $0.075 / 輸出 $0.00 每 1M Token。完整明細見上方價格表。
Gemini Embedding 001 應該使用哪一個端點?
請使用 https://api.tokenlab.sh/v1/embeddings 進行 Gemini Embedding 001 的呼叫。下方的請求範例展示了對應的程式碼格式。
Gemini Embedding 001 支援哪些操作?
Gemini Embedding 001 支援 嵌入。請在上方選擇一項操作以查看其端點與請求範例。
比較 Gemini Embedding 001
來源
更新於 2026年10月2日